Sistema Especialista em Manutenção Preditiva de Equipamentos e Plantas Industriais VIDENTE

Transcrição

1 Sistema Especialista em Manutenção Preditiva de Equipamentos e Plantas Industriais VIDENTE Emerson Cabrera Paraiso Graduando do Curso de Engenharia da Computação - PUC-PR *Estagiário no Laboratório de Desenvolvimento - Divisão Eletro-Eletrônica Lúcio Mauro Silveira Graduando do Curso de Engenharia da Computação - PUC-PR *Estagiário no Laboratório de Desenvolvimento - Divisão Eletro-Eletrônica Milton Pires Ramos *Engenheiro Eletrônico - Chefe do Lab. de Desenvolvimento da Divisão Eletro-Eletrônica Prof. Celso A. A. Kaestner Departamento de Informática PUC-PRlCEFET -PR Resumo Com o desenvolvimento da automação industrial no Brasil, que tem se acentuado nos últimos anos, cresceu a necessidade de mão-de-obra especializada e com ela uma alta nos gastos com treinamento. A escassez de especialistas e a conseqüente sobrecarga dos mesmos é um estímulo para o desenvolvimento de novas tecnologias. Em particular, o uso de sistemas especialistas se apresenta como uma alternativa atraente de aumento da qualidade da produção. Além disso o desejo do aumento de produção passa por um parque industrial bem desenvolvido e por equipamentos bem mantidos. Este artigo descreve o sistema especialista Vidente que está sendo desenvolvido para automatizar um laboratório de análise de óleos com o objetivo específico de auxiliar a manutenção preditiva em equipamentos diversos. A manutenção preditiva aumenta o fator operacional (tempo de funcionamento dos equipamentos), reduz o número de paradas e os conseqüentes gastos com reparos. Este sistema está sendo desenvolvido para o ambiente Windows e totalmente implementado em C++, inclusive a parte relativa a representação do conhecimento e inferência. *Instituto de Tecnologia do Paraná Rua Prof. Algacyr Munhoz Mader, CIC - tel: (041) FAX:(041) Curitiba - Paraná brfapesp.bitnet

2 Introdução Gradativamente a automação industrial ganha seu espaço no cenário produtivo do Brasil. A necessidade de pessoas especializadas vem acompanhando este crescimento, forçando as indústrias a investir pesadamente em treinamento. Como conseqüência, os sistemas especialistas tornam-se uma solução atraente para aplicação em ambientes industriais brasileiros. No sentido de melhorar a qualidade da produção, a manutenção preditiva também tem sido muito utilizada em empresas que possuem equipamentos cuja parada não é desejável ou possui um custo muito elevado. A manutenção corretiva ocorre quando um equipamento falha e só então se realiza a sua manutenção, isto é, o procedimento de manutenção só se inicia para corrigir um defeito existente. A manutenção corretiva ocasiona paradas repentinas na produção com conseqüências onerosas para as indústrias. Por esta razão os fabricantes de máquinas programam estatisticamente paradas de manutenção baseadas no tempo médio entre interrupções do funcionamento dos equipamentos devido a falhas. Essas paradas podem ser determinadas por eventos como tempo de utilização, quantidade de operações, quilometragem, etc, fatores que, de uma forma ou de outra, são derivados do fator tempo. A este tipo de manutenção se denomina preventiva. A engenharia de manutenção porém, sempre questionou o esquema tempo. Racionalmente a máquina só deveria parar quando absolutamente necessário, por estar próximo o perigo de uma falha grave; e essa não ocorre só em função do tempo. Entretanto restava um problema: como determinar o momento certo de intervir na máquina sem correr o risco de ser demasiado tarde? ou em contrapartida, enganosamente por não ser ainda o momento certo. A resposta veio apenas na segunda metade do século Xx. Paralelamente o desenvolvimento da tecnologia de análise de óleos e processamento de dados permitem hoje diagnósticos precisos e confiáveis, indicando o que está falhando em um equipamento e quando deverá ser substituído ou reparado [VIA 86]. Esta tecnologia citada, descobriu que, determinados parâmetros, indicam claramente as condições de peças e componentes das máquinas. Acompanhando seu comportamento, pode-se concluir se tudo corre bem ou, se uma evolução do parâmetro indica o início de uma falha. Entram então em cena os microprocessadores, através dos quais os dados são analisados e projetados obtendo conclusão rápida e confiável. Está comprovado, principalmente nos países industrialmente mais evoluídos, que os beneficios operacionais, econômicos e financeiros da empresa são, sem dúvida nenhuma altamente compensadores, quando se realiza a manutenção preditiva [VIA 86]. Entre as vantagens da manutenção preditiva pode-se destacar: - são evitadas as paradas repentinas do funcionamento dos equipamentos; - há maior utilidade nas paradas; o equipamento só pára quando houver indicação de problema a ser corrigido; na manutenção preventiva haviam paradas que se revelavam desnecessárias pois o equipamento continuava operacional; - aumento do fator operacional, ou seja, o tempo de funcionamento dos equipamentos; - diminuição dos gastos com paradas; - diminuição do desgaste dos equipamentos devido a paradas; e - aumento da vida útil do equipamento

3 Aproveitando esta necessidade da indústria, o TECP AR está implantando um laboratório de análise de óleos, com o objetivo de diagnosticar o melhor momento para efetuar a manutenção em equipamentos, cujo procedimento de decisão se baseará em um sistema especialista. Este sistema especialista, chamado Vidente, é basicamente um sistema de diagnóstico: utilizando o óleo do equipamento como agente, fornece laudos indicando a situação do equipamento, a situação do óleo, os possíveis reparos e uma especificação do período adequado para a realização de um novo ensaio. O Vidente trabalhará com a análise de óleos isolantes (óleos de transformadores de tensão) e óleos lubrificantes (óleos de equipamentos em geral). O sistema terá características não comuns a muitos dos sistemas especialistas existentes. O Vidente está sendo desenvolvido para o ambiente Windows e, para melhor implementação de rotinas para este ambiente, o sistema foi totalmente construído utilizando-se o software Borland C++. Além da interface com o Windows, a máquina de inferência e as outras funções do sistema são completamente orientadas a objeto. Domínio do Conhecimento O conhecimento do S.E. Vidente está dividido em duas grandes partes: óleos isolantes e lubrificantes. Este conhecimento é obtido através de reuniões periódicas com especialistas na área de óleos. Há um especialista na área de óleos isolantes e outro na área de óleos lubrificantes. - Óleos Isolantes: Estes óleos são geralmente utilizados em transformadores de tensão e corrente. O Vidente somente tratará transformadores de tensão, pois são os mais comuns. Estes ainda, foram divididos em 3 classes principais descritas por suas faixas de tensões nominais: - Classe 1: 13,8 KV a 69 KV - Classe II : 69 KV a 230 KV - Classe IH : acima de 230 KV Para verificação do estado do óleo são realizados ensaios ditos fisico-químicos e para verificação do estado do equipamento são realizados ensaios cromatográficos. - Ensaios fisico-químicos: Dão ênfase no diagnóstico do estado do óleo. Podemos destacar cinco exames fisicoquímicos, que são realizados para qualquer estado do óleo: Rigidez Dielétrica, Teor de Água, Tensão Interfacial, Índice de Neutralização e Fator de Perda. Tem-se ainda um conjunto de ensaios fisico-químicos que são realizados apenas quando o óleo é novo e indicam a natureza do óleo (naftênico ou parafinico). São eles: Densidade, Ponto de Fluidez, Ponto de Fulgor, Viscosidade, Cloretos e Sulfatos, Ponto de Anilina e Índice de Refração. - Ensaios cromatográficos: A cromatografia é um processo complexo de determinação da presença de partículas no óleo. Este ensaio oferece como resultado a composição do óleo, indicando a presença e quantidade de elementos estranhos, por exemplo como metais. Estes valores permitem determinar a situação do equipamento. Caso seja detectada a presença de metais e/ou outros contaminantes dissolvidos no óleo, pode-se dizer que o óleo e o

4 equipamento se encontram em situações anormais de funcionamento ou deterioração em função dos tipos e quantidades dos materiais considerados. - Óleos Lubrificantes: Os óleos lubrificantes, tem uma vasta gama de atuação: são utilizados em motores em geral, turbinas, mancais, geradores, etc. Esta diversidade de aplicações torna complexo o conhecimento utilizado para este tipo de óleo. A natureza dos ensaios realizados em óleos lubrificantes é semelhante a realizada em óleos isolantes, porém os limites aceitáveis e o tratamento dado é distinto para cada equipamento. Portanto, como o tipo do equipamento é fundamental neste caso, a base de conhecimento é particionada por equipamento. Por ser esta parte da base de conhecimento particionada por equipamentos, estes tem muita importância na obtenção de um laudo, e por isso tem atenção especial. Descrição dos Módulos do Vidente Para melhor compreensão da estrutura do Vidente, pode-se particioná-lo em módulos e sub-módulos, aqui representados utilizando-se um Diagrama de Fluxo de Dados (DFD). VIDENTE Usuário Inferência Laudo Rotinas deb.d. B. D. Figura 1 Nesta figura 1 é mostrada a estrutura prinicipal do Vidente. Pode-se verificar a presença de alguns sub-módulos tais como Interface, Inferência e rotinas de B.D. Verifica-se também o relacionamento entre os sub-módulos e o relacionamento do sistema com o usuário. Nesta figura verifica-se a presença de um módulo Usuário que pode ser entendido como sendo um operador que fará a entrada de dados e requisição de laudos e também como o especialista que terá acesso a partes do sistema, tais como: tabelas de valores, laudos, regras, etc

5 o módulo Interface é o módulo de gerenciamento do sistema. Ele faz a comunicação entre os módulos Inferência e os demais módulos do Vidente. O Vidente possui também um banco de dados relativamente grande e complexo para ser gerenciado. O módulo Rotinas de B.D. manipula este banco de dados que está particionado em duas grandes partes: 1 - Histórico: para geração de um laudo o Vidente utiliza dados e conclusões geradas anteriormente para um mesmo óleo e/ou equipamento. Para inferir e chegar a um laudo satisfatório deve-se armazenar os dados das análises realizadas. São utilizados os dados referentes aos últimos dez ensaios, o que possibilita um cálculo de projeção da degradação do óleo e do equipamento. Este histórico é armazenado e recuperado sempre que necessário. 2 - Há também uma parte do banco de dados que refere-se a informações gerais dos clientes, tais como: nome do cliente, endereço, equipamentos, características de cada um dos equipamentos, etc. Estes dados são operados pelo usuário corrente do sistema. Como resposta o Vidente gera um laudo contendo as conclusões tiradas sobre a situação do óleo/equipamento. Neste laudo tem-se uma indicação da próxima análise a se realizar para o equipamento. Há também uma justificativa das conclusões geradas, valores utilizados, grau de certeza das conclusões e outras informações relevantes. Os dados importantes do laudo são armazenados no histórico do equipamento para serem utilizados na próxima análise. Descrição dos Componentes do Módulo Inferência A seguir tem-se uma descrição dos módulos referentes ao sistema especialista Vidente. Este pode ser definido como sendo um sistema monotônico, revogável, com busca em profundidade e encadeamento para trás. - Base de conhecimento: A base de conhecimento foi modelada utilizando-se regras de produção (no Vidente são regras do tipo E/OU - SE/ENTÃO), por ser este um formato de fácil compreensão. Este formato mostra as regras com simplicidade, sem apresentar formas e caracteres que só o computador entenderia. Assim há a necessidade de uma compilação das regras para um formato computacional, transferindo as premissas e conclusões das regras para estruturas de dados específicas. A vantagem disso é que o especialista da área modelada pela base de conhecimento, mesmo sendo leigo em computação, poderá facilmente compreender o conteúdo da base de conhecimentos. As regras foram divididas em segmentos de atuação distintas; cada grupo está armazenado em um arquivo e objetiva a geração de um laudo. Para uma mesma entrada de dados, o mecanismo da inferência pode manter a memória de trabalho, de forma a permitir que a conclusão de um laudo seja utilizada como premissa em outro laudo

6 Exemplo simplificado: Trecho da Memória de Trabalho: ensaio 1 dentro de limites aceitáveis, ensaio 2 dentro de limites aceitáveis, etc. Trecho do Arquivo de Regras 1: SE ensaio 1 dentro de limites aceitáveis ENT ÃO equipamento 1 em boas condições Trecho do Arquivo de Regras 2: SE equipamento 1 em boas condições ENT Ãü Nova análise em um ano. Se no Arquivo 1 a regra indicada foi aprovada, isto poderá ser utilizado para inferência da segunda parte do laudo (Arquivo 2) para concluir que a nova análise deverá ser feita em um ano. - Memória de Trabalho: A memória de trabalho é um conjunto de fatos que são constatados antes e durante a inferência. Como dito anteriormente, os fatos, provenientes de um conjunto de regras nela contidos, podem ser utilizados para a inferência de um outro conjunto de regras. - Memória de Regras: Após a compilação das regras, estas são armazenadas em uma estrutura de dados com uma lista de premissas, conclusão, complemento tipo da regra (E ou OU), etc. De forma geral algumas regras possuem premissas que são iguais a conclusões de outras regras. É desejado que não sejam alocadas regiões distintas de memória para estas cadeias de caracteres ("strings") idênticas. Para evitar este problema, após a compilação das regras, as premissas e conclusões das regras são armazenadas em uma tabela de "hashing". Então os ponteiros contidos na estrutura de dados que contém as regras, apontam para posições na tabela, de modo que duas "strings" idênticas apontam para a mesma região de memória. Utilizando este esquema, consegue-se diminuir a memória alocada para as "strings" das regras. Consegue-se também uma considerável melhora na performance através da substituição de comparações caracter a caracter por comparações de ponteiros. - Máquina de Inferência: Utilizando a memória de trabalho e a memória de regras, a máquina de inferência gera um laudo dando o diagnóstico do óleo/equipamento. Como as regras até agora levantadas são constituídas sobre muitas hipóteses e a inferência ocorre com no máximo quatro ou cinco níveis de profundidade (árvore de busca do problema muito ampla e pouco profunda), a máquina de inferência faz busca em profundidade. Em anos de prática os especialistas em óleos Isolantes e Lubrificantes obtiveram, de modo natural um tipo de raciocínio que otimiza seu tempo de análise dos resultados. Este raciocínio consiste da eliminação de algumas hipóteses para chegar mais rápido a uma conclusão. Como

7 exemplo pode-se citar que na análise de óleos fisico-químicos, onde o especialista começa por verificar a necessidade de regeneração; se esta não for necessária o especialista verifica se o óleo não deve ser recondicionado, e finalmente se também não há necessidade de recondicionamento então conclui-se que o óleo está bom. Este encadeamento de raciocínio que o especialista usa foi traduzido em termos computacionais para uma máquina de inferência com encadeamento para trás. Nesta, máquina uma pilha com as hipóteses que devem ser testadas é consultada em seqüência tentando provar cada uma das hipóteses listadas, para a determinação da conclusão. Abaixo temos um exemplo que visa ilustrar a similaridade da máquina de inferência de encadeamento para trás com o raciocínio citado do especialista. trecho da pilha de hipóteses: hipótese (há necessidade de recondicionamento) hipótese (há necessidade de regeneração) hipótese (o óleo está bom) trecho das regras: SE não há necessidade de regeneração E não há necessidade de recondicionamento ENT ÃO o óleo está bom A máquina de inferência começa sua execução tentando provar a primeira hipótese. Supondo que ela tenha constatado através de uma regra específica que não há necessidade de regeneração, a máquina de inferência passa, então, a tratar a segunda hipótese. Supondo também que não haja a necessidade de recondicionamento, a máquina passa então para a terceira hipótese. Para provar a terceira hipótese é consultada a regra acima apresentada. Esta regra é válida pois as suas premissas já são fatos constatados. Já que o especialista consegue otimizar seu tempo através da eliminação de possíveis hipóteses (no exemplo as hipóteses de recondicionamento e regeneração) a máquina de inferência também deve atuar melhor deste modo. Por isto será usada uma máquina de inferência com encadeamento para trás (backward chaining). Esta indicação é também recomendada na literatura [SCH 90], onde o encadeamento para trás é indicado como o mais adequado para sistemas de diagnóstico. Uma verificação empírica desta conclusão foi feita, testando as regras já obtidas com uma máquina de inferência com encadeamento para trás e outra com encadeamento para frente. O tempo de inferência com o encadeamento para trás foi bem menor que o com encadeamento para frente confirmando o estudo inicial. A máquina de inferência com encadeamento para frente ainda está disponível para eventual uso e/ou testes

8 - Algoritmo ou pseudo-código da Máquina de Inferência (Backward Chainning): lnfere_regra(regra) { 1 CASO regra é do tipo OU: { sucesso. = FALSO; ENQUANTO a regras tem premissas Verifica se está na MT SE premissa está na memória e sinal na MT = sinal da premissa ENTÃO sucesso = VERDADEIRO; SENÃO SE há regra que tem a premissa como conclusão ENTÃO nova Jegra = regra que tem a premissa como conclusão lllferejegra(nova_regra) SENÃO SE premissa é expressão ENTÃO valor = avalia(premissa); SE (valor = I e sinal da premissa = VERDADEIRO) ou (valor = O e premissa = FALSO) ENTÃO sucesso = VERDADEIRO; SENÃO sucesso = FALSO; SENÃO sucesso = FALSO; SE sucesso = VERDADEIRO ENTÃO Sai do ENQUANTO; FIM_ENQUANTO; } CASO regra do tipo E: { sucesso = VERDADEIRO; ENQUANTO a regras tem premissas, verifica se está na MT SE premissa está na memória e sinal na MT = sinal da premissa ENTÃO sucesso = VERDADEIRO; SENÃO. SE há regra que tem a premissa como conclusão ENTÃO InfereJegra(novaJegra) SENÃO SE premissa é expressão ENTÃO valor = avalia(premissa); SE (valor = 1 e sinal da premissa = VERDADEIRO) ou (valor = O e premissa = FALSO) ENTÃO sucesso = VERDADEIRO; SENÃO sucesso = FALSO; SENÃO sucesso = FALSO; SE sucesso = FALSO ENTÃO Sai do ENQUANTO; FIM_ENQUANTO; 1 Anl1azena_conclusão da regra disparada; RETORNA VERDADEIRO; Função ]rincipalo { ENQUANTO há hipóteses SE lnferejegra(topo da pilha de hipóteses) retomar VERDADEIRO ENTÃO hipótese aprovada; FIM_ENQUANTO Nenhuma hipótese aprovada;

9 Conclusão Este sistema terá sua validação realizada submetendo-se casos práticos, obtidos junto aos especialistas, e verificando-se as respostas geradas. O Vidente encontra-se na fase de desenvolvimento e seu término está previsto para o final de Algumas funções como de interface e do sistema especialista já estão sendo validadas. O Vidente é o terceiro sistema especialista desenvolvido no TECP AR. Gradativamente estão sendo formados engenheiros capazes de construir sistemas especialistas, principalmente para a área industrial. O Vidente está contribuindo muito para o desenvolvimento do laboratório de software do TECP AR, já que este é o primeiro sistema especialista construído totalmente em C, orientado a objetos e para o ambiente Windows no TECP AR. O objetivo deste sistema especialista é, além de gerenciar um laboratório de ensaios de óleos, fornecer laudos a respeito da situação do óleo/equipamento, auxiliando o trabalho de um especialista. Espera-se que o Vidente possa gerar laudos compatíveis com os apresentados pelos especialistas, tentando substiuí-ios nas situações mais rotineiras. Assim com o desenvolvimento de sistemas deste tipo, a indústria nacional pode tentar chegar a um estágio de desenvolvimento maior, e conseqüentemente, melhorar a qualidade de seus produtos. Agradecimen tos Os autores deste artigo gostariam de agradecer aos especialistas que estão contribuindo muito para o sucesso deste sistema, aos companheiros do TECPAR Carlos Marcelo Pedroso e Patrícia Funayama, e as pessoas que mesmo indiretamente tem ajudado no desenvolvimento do Vidente. Referências Bibliográficas [VIA 86] - [SCH 90] - [FAR87]- Vianna, Luiz Paulo. Preditiva: A manutenção entra na era da tecnologia. Revista Guia de Manutenção (Álcool & Açucal') - Dezembro pg Schalkoff, Robert 1.. Artificiallntelligence: An Engineering Aproach. 10 ed Singapure Farreny, H. e Ghallab, M.. Éléments d'intelligence Artificielle. Hermes. Paris